店铺选址模型的训练方法、店铺选址方法及装置制造方法及图纸

本申请实施例提供了一种店铺选址模型的训练方法、店铺选址方法及装置，该训练方法包括：根据店铺位置的至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程，所述店铺效能反映对应店铺的营收能力；从多个所述多因子方程中筛选出符合显著性检验要求的至少一个多因子方程；确定所述至少一个多因子方程的预测店铺效能与实际店铺效能的拟合度；将拟合度最高的多因子方程确定为所述店铺选址模型的方程。本申请实施例通过上述方式可训练出一个用于店铺选址的店铺选址模型，然后利用该训练出的模型进行店铺选址，可较好地避免传统方法主观性强的问题。

Training Method, Method and Device of Store Location Model

【技术实现步骤摘要】
店铺选址模型的训练方法、店铺选址方法及装置
本申请涉及数据筛选
，具体而言，涉及一种店铺选址模型的训练方法、店铺选址方法及装置。
技术介绍
现有技术中在进行店铺选址的时候，往往会基于现场调研对备选位置进行评估。例如，由有经验的专家了解铺位自身条件如物业类型、店面面积、楼层、店铺周边人流量、交通便利度等。然后专家对上述铺位自身条件进行评分，从若干备选店铺中挑选出评分较高的。对于大型企业需要规划经营布局如需要开拓新市场，传统方法费时费力，由于传统方法主要依靠主观判断，产生误判机率较大，可能会对企业带来巨大损失。现有技术中没有较好办法来进行店铺的选址。
技术实现思路
有鉴于此，本申请实施例提供了一种店铺选址模型的训练方法、店铺选址方法及装置，以改善现有技术中没有较好的办法来进行店铺选址的问题。第一方面，本申请实施例提供了一种店铺选址模型的训练方法，所述方法包括：根据店铺位置的至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程，所述店铺效能反映对应店铺的营收能力；从多个所述多因子方程中筛选出符合显著性检验要求的至少一个多因子方程；确定所述至少一个多因子方程的预测店铺效能与实际店铺效能的拟合度；将拟合度最高的多因子方程确定为所述店铺选址模型的方程。在上述实施方式中，先构建多个多因子方程，然后从多个多因子方程中筛选出符合显著性检验要求的多因子方程。然后对筛选出的多因子方程计算预测店铺效能与实际店铺效能的拟合度，并把拟合度高的多因子方程确定为店铺选址模型的方程，通过上述方式可训练出一个用于店铺选址的店铺选址模型，然后利用该训练出的模型进行店铺选址，可较好地避免传统方法主观性强的问题。在一个可能的设计中，多个所述多因子方程中的每个多因子方程均有对应的至少两个第一影响因素；所述从多个所述多因子方程中筛选出符合显著性检验要求的至少一个多因子方程，包括：对于多个多因子方程中的每个多因子方程，均做出拟合出的多因子方程为真的第一假设；对于与所述每个多因子方程分别对应的至少两个第一影响因素中的每个第一影响因素，分别计算所述第一假设出现错误的第一概率；若多因子方程对应的至少两个第一影响因素中的每个第一影响因素的第一概率均小于第一预设阈值，则所述多因子方程符合显著性检验要求。在上述实施方式中，从多个多因子方程中进行筛选时，对于每个多因子方程均作出多因子方程为真的第一假设，然后对每个多因子方程所对应的每个第一影响因素分别计算第一假设出现错误的第一概率，然后根据第一概率与第一预设阈值的相对大小来筛选多因子方程。通过显著性检验的方式可以筛选出准确性更高的多因子方程，降低错误发生的可能性。在一个可能的设计中，在所述分别计算所述第一假设出现错误的第一概率之后，所述方法还包括：若多因子方程对应的至少两个第一影响因素中，存在所述第一概率大于或等于所述第一预设阈值的第一影响因素，则所述多因子方程不符合显著性检验要求。在上述实施方式中，若多因子方程不符合显著性检验要求，可以将该多因子方程筛除，从而提高多因子方程的准确性。在一个可能的设计中，所述根据所述至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程，包括：计算所述至少两个第一影响因素中两两之间的相关系数；分别做出所述至少两个第一影响因素中每两个第一影响因素的相关系数为真的多个第二假设，并分别计算所述多个第二假设中的每个第二假设出现错误的第二概率；若存在小于第二预设阈值的第二概率，则从所述至少两个第一影响因素中筛选出所述第二概率大于或等于所述第二预设阈值的第一影响因素构建所述多因子方程。在上述实施方式中，若存在小于第二预设阈值的第二概率则说明该第二概率对应的相关系数所对应的两个第一影响因素具有相关性，因此在构建多因子方程时，具有相关性的两个影响因素不适宜共同构建多因子方程，具有相关性的两个影响因素可以分别与其他影响因素构建多因子方程，从而可以进一步提高多因子方程的准确性。在一个可能的设计中，在所述分别计算所述多个第二假设中的每个第二假设出现错误的第二概率之后，所述方法还包括：若所述第二概率均大于或等于所述第二预设阈值，从所述至少两个第一影响因素中随机选择第一影响因素构建所述多因子方程。在上述实施方式中，若第二概率均大于或等于第二预设阈值，则说明至少两个第一影响因素两两之间均不具有相关性，因此，即使随机组合也不会降低多因子方程的准确性。在一个可能的设计中，所述根据店铺位置的至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程之前，所述方法还包括：从多个店铺位置影响因素中筛选出至少两个第一影响因素。在上述实施方式中，可以先从多个店铺位置影响因素中进行一次筛选，筛选出对店铺效能有明显影响的因素，然后再从有明显影响的因素中选择影响因素构建多因子方程，可以提高模型训练的效率。在一个可能的设计中，所述从多个店铺位置影响因素中筛选出至少两个第一影响因素，包括：计算多个店铺位置影响因素中的每个店铺位置影响因素与所述店铺效能之间的相关系数；分别做出多个店铺位置影响因素中每个店铺位置影响因素与所述店铺效能之间的相关系数为真的多个第三假设，并分别计算所述多个第三假设中的每个第三假设出现错误的第三概率；若第三概率小于第三预设阈值的店铺位置影响因素存在，从所述多个店铺位置影响因素中筛选出第三概率小于第三预设阈值的店铺位置影响因素，所述第一影响因素为第三概率小于第三预设阈值的店铺位置影响因素。在上述实施方式中，若第三概率小于第三预设阈值，则表明该第三概率对应的店铺位置影响因素对店铺效能有着较为明显的影响，因此，可根据第三概率与第三预设阈值的大小筛选出第一影响因素。第二方面，本申请实施例提供了一种店铺选址方法，所述方法包括：根据上述的训练方法训练完成的多因子回归模型，获得作为所述多因子回归模型的自变量的多个终选影响因素；将待选址区域划分为多个子区域，将所述多个子区域中的每个子区域与所述多个终选影响因素对应的真实数据带入所述多因子回归模型，得到每个所述子区域的预测店铺效能；按照所述预测店铺效能从高到低的顺序，对每个所述子区域进行排名；根据所述排名以及用户现有的店铺位置，确定新店铺的选址。在上述实施方式中，利用模型获得预测店铺效能，再根据预测店铺效能与用户已有的店铺便可筛选出新店铺的位置，与现有技术相比，可以更有效率且更客观准确地进行店铺店址的选择。在一个可能的设计中，所述根据所述排名以及用户现有的店铺位置，确定新店铺的选址，包括：根据所述排名从高到低的顺序选择所述子区域；判断选择出的所述子区域与所述用户现有的店铺位置之间的距离是否超过预设距离；若是，将选择出的所述子区域作为所述新店铺的选址；若否，获取所述排名中比所述子区域低一个名次的子区域，所述比所述子区域低一个名次的子区域为新的选择出的子区域，执行步骤“判断选择出的所述子区域与所述用户现有的店铺位置之间的距离是否超过预设距离”。在上述实施方式中，按照预测店铺效能从高到低的顺序选择子区域，并判断子区域与用户已有的店铺位置之间的距离是否超过预设距离，若是，则表明该选出的子区域若作为店铺，不会影响用户已有店铺的生意，因此可以选择，若否，则说明可能对用户已有店铺的生意造成影响，因此可以跳过该子区域，对预测店铺效能比当前子区域低一个名次的子区域继续执本文档来自技高网...

【技术保护点】
1.一种店铺选址模型的训练方法，其特征在于，所述方法包括：根据店铺位置的至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程，所述店铺效能反映对应店铺的营收能力；从多个所述多因子方程中筛选出符合显著性检验要求的至少一个多因子方程；确定所述至少一个多因子方程的预测店铺效能与实际店铺效能的拟合度；将拟合度最高的多因子方程确定为所述店铺选址模型的方程。

【技术特征摘要】
1.一种店铺选址模型的训练方法，其特征在于，所述方法包括：根据店铺位置的至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程，所述店铺效能反映对应店铺的营收能力；从多个所述多因子方程中筛选出符合显著性检验要求的至少一个多因子方程；确定所述至少一个多因子方程的预测店铺效能与实际店铺效能的拟合度；将拟合度最高的多因子方程确定为所述店铺选址模型的方程。2.根据权利要求1所述的方法，其特征在于，多个所述多因子方程中的每个多因子方程均有对应的至少两个第一影响因素；所述从多个所述多因子方程中筛选出符合显著性检验要求的至少一个多因子方程，包括：对于多个多因子方程中的每个多因子方程，均做出拟合出的多因子方程为真的第一假设；对于与所述每个多因子方程分别对应的至少两个第一影响因素中的每个第一影响因素，分别计算所述第一假设出现错误的第一概率；若多因子方程对应的至少两个第一影响因素中的每个第一影响因素的第一概率均小于第一预设阈值，确定所述多因子方程符合显著性检验要求。3.根据权利要求2所述的方法，其特征在于，在所述分别计算所述第一假设出现错误的第一概率之后，所述方法还包括：若多因子方程对应的至少两个第一影响因素中，存在所述第一概率大于或等于所述第一预设阈值的第一影响因素，则确定所述多因子方程不符合显著性检验要求。4.根据权利要求1所述的方法，其特征在于，所述根据所述至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程，包括：计算所述至少两个第一影响因素中两两之间的相关系数；分别做出所述至少两个第一影响因素中每两个第一影响因素的相关系数为真的多个第二假设，并分别计算所述多个第二假设中的每个第二假设出现错误的第二概率；若存在小于第二预设阈值的第二概率，则从所述至少两个第一影响因素中筛选出所述第二概率大于或等于所述第二预设阈值的第一影响因素构建所述多因子方程。5.根据权利要求4所述的方法，其特征在于，在所述分别计算所述多个第二假设中的每个第二假设出现错误的第二概率之后，所述方法还包括：若所述第二概率均大于或等于所述第二预设阈值，从所述至少两个第一影响因素中随机选择第一影响因素构建所述多因子方程。6.根据权利要求1所述的方法，其特征在于，所述根据店铺位置的至少两个第一影响因素构建出多个用于预测店铺效能的多因子方程之前，所述...

【专利技术属性】
技术研发人员：沈樱，张岩，李振军，林乾辰，闫嘉，
申请(专利权)人：智慧足迹数据科技有限公司，
类型：发明
国别省市：北京,11